Casi todos los sistemas de seguimiento de solicitantes en el mercado hoy en día dicen que tienen IA. La mayoría de ellos no, en ningún sentido que importe a un ingeniero. Tienen automatización basada en reglas, extracción de palabras clave y, de vez en cuando, un modelo de incrustación de oraciones en una base de código de 2014. La página de marketing dice IA. El modelo detrás de la cortina es la misma expresión regular que ha estado allí durante una década.
Esta es la brecha entre el hype de la IA y la realidad de la IA en el reclutamiento. Importa porque los resultados de contratación son completamente diferentes dependiendo de cuál de los dos realmente compres.
Cómo es la verdadera IA en el reclutamiento
La verdadera IA en el reclutamiento significa un modelo que lee un Curriculo, extrae resultados medibles (ingresos generados, equipos gestionados, sistemas enviados, problemas resueltos) y clasifica a los candidatos por relevancia para el rol. El modelo produce una puntuación y un párrafo de razonamiento escrito que un humano puede leer y con el que puede estar en desacuerdo. No solo cuenta tokens. No solo calcula una distancia de vector. Interpreta lo que el candidato realmente hizo, de la manera que lo haría un ingeniero senior u operador. La investigación de McKinsey sobre prácticas de talento, resumida en La forma del talento en 2023 y 2024, muestra que la adopción de contratación basada en habilidades aumentó del 40% en 2020 a aproximadamente el 60% en 2024, lo cual es exactamente lo que un modelo de lectura de resultados está diseñado para apoyar. La IA de hype no puede hacer bien la contratación basada en habilidades porque no tiene ningún concepto de habilidad, solo de presencia de tokens. La verdadera IA puede.
La prueba más sencilla es pedir al vendedor el párrafo de razonamiento detrás de una puntuación. Si no pueden producir uno, la puntuación es una caja negra y la IA es marketing.
IA Hype: los patrones que siguen apareciendo
Después de ver la mayoría de las demostraciones de ATS en este mercado, el mismo puñado de patrones se venden como IA cuando son otra cosa.
- Frecuencia de palabras clave disfrazada como coincidencia semántica. El modelo cuenta cuántas veces aparecen Python y AWS y llama al resultado una puntuación de coincidencia. Agrega filtrado de palabras vacías y un diccionario de sinónimos y se llama "procesamiento de lenguaje natural." La experiencia del candidato no cambia: llena tu Curriculo con palabras clave y ganas.
- Incrustaciones de oraciones como una delgada capa. Una versión más sofisticada utiliza incrustaciones de oraciones preentrenadas para calcular la similitud del coseno entre el Curriculo y la descripción del trabajo. Esto atrapa sinónimos, pero sigue siendo una coincidencia de texto a texto. Un candidato que copia y pega la descripción del trabajo en su resumen de Curriculo obtiene una alta puntuación sin experiencia real.
- Entrevistadores chatbot. Un formulario guionado con un frontend LLM. Útil para programación y triaje. No para screening de inteligencia.
- Resúmenes generados por IA. El modelo resume el Curriculo en viñetas, lo cual es una característica de productividad, no una decisión de clasificación. El clasificador subyacente sigue siendo basado en palabras clave.
Ninguno de esto es fraude. Es solo etiquetado generoso. También sucede que esa es la razón por la cual los candidatos han aprendido a manipular los ATS tan confiablemente. Jobscan documenta la prevalencia de la saturación de palabras clave en Curriculos reales, y el patrón solo funciona porque los sistemas de selección lo recompensan.
Por qué el hype es tan duradero
Tres fuerzas mantienen la brecha entre el marketing de IA y la realidad de IA bien abierta en el software de reclutamiento, y vale la pena nombrarlas para que las puedas ignorar.
La primera es que el comprador generalmente no es un evaluador técnico. La adquisición está en RRHH, la demostración está frente a un jefe de talento, y la pregunta "¿cuál es la arquitectura del modelo real?" rara vez se pregunta. Los vendedores aprenden que pueden enviar la misma expresión regular que enviaron en 2018 y llamarla IA mientras la demostración se vea limpia. No hay penalización por el marketing.
La segunda es que los ATS heredados son juegos de plataforma. Greenhouse, Lever y Workable ganan dinero por flujo de trabajo, no por precisión de selección. Agregar una verdadera IA de clasificación es ingeniería costosa para una característica que no aparece de manera limpia en una hoja de comparación de adquisiciones. Así que envían la versión barata.
La tercera es que la contratación está aguas abajo de tantas otras cosas, como la calidad de la descripción del trabajo, los canales de búsqueda, las condiciones del mercado y la marca del equipo, que la mala selección se oculta dentro del ruido. Un equipo que contrata a doce buenos ingenieros al año acredita el proceso. El mismo equipo habría contratado a las mismas doce personas con una hoja de Google, porque la selección no estaba haciendo el trabajo que el equipo piensa que estaba haciendo. La selección real de IA es comprobable de una manera que ayuda a un fundador a distinguir el verdadero levantamiento del ruido: puedes comparar los diez mejores candidatos clasificados del modelo con tus propios diez mejores y ver si se superponen. La IA de hype falla esta prueba casi cada vez.
Lo que los sistemas de recomendación de Amazon nos enseñaron sobre la contratación
Antes de CurriculoATS, nuestro fundador Dev pasó años en Amazon trabajando en sistemas de búsqueda y recomendación. Hay una lección de ese trabajo que se traduce directamente en la IA de contratación: el único modelo que vale la pena enviar es uno cuyos resultados top-K son buenos. Todo lo demás es teatro.
El recomendador de Amazon no envía un modelo que se desempeña ligeramente mejor en precisión promedio pero clasifica los elementos incorrectos en la posición 1. La posición 1 decide si el usuario hace clic. Lo mismo es cierto para la clasificación de Curriculos. El reclutador mira los diez o quince mejores, punto. Si los diez mejores del modelo son incorrectos, el resto del sistema no te salva.
Por eso, CurriculoATS está construido alrededor de una evaluación multi-signal, logros cuantificados, relevancia de la experiencia, trayectoria profesional, alineación de habilidades, que produce una puntuación compuesta de 0 a 100 con un párrafo de razonamiento completo. El párrafo es la parte que convierte un clasificador en caja negra en algo en lo que un fundador puede confiar realmente. Puedes leerlo, estar en desacuerdo con él, anularlo. Esa es la diferencia entre la IA como soporte de decisiones y la IA como reemplazo de decisiones, y eso importa más que cualquier detalle de la arquitectura del modelo. Consulta la página de puntuación de impacto para el desglose completo.
Por qué la pregunta del comprador importa más que el marketing del vendedor
La forma en que un fundador pregunta sobre la IA en una demostración determina si termina con inteligencia de clasificación real o con marketing disfrazado de la misma. Los vendedores que ganan concursos de adquisición no son siempre los que tienen los mejores modelos; son los vendedores cuyas demostraciones responden las preguntas que los compradores realmente hacen. La mayoría de los compradores hacen las preguntas incorrectas. "¿Tiene IA?" es la pregunta incorrecta, porque todos los vendedores dirán que sí. "¿Qué hace la IA con la puntuación?" es más cercana, porque obliga al vendedor a describir la entrada del modelo. "Muéstrame el razonamiento detrás de un candidato mejor clasificado" es la pregunta correcta, porque obliga al vendedor a producir la salida. Un vendedor con inteligencia de clasificación real puede mostrar esto en 90 segundos. Un vendedor con IA de hype no puede. Este es el momento de señal más alto en cualquier demostración de ATS, y la mayoría de los fundadores lo omiten porque el flujo de la demostración está diseñado para mantenerlos en las características de flujo de trabajo. Hemos visto a fundadores sentarse a través de recorridos de 40 minutos de tableros de pipeline y plantillas de cartas de oferta, luego firmar contratos anuales sin haber preguntado nunca al modelo que produzca un párrafo para un candidato específico. La brecha de adquisiciones no es el conocimiento de la IA; es la disposición a interrumpir la demostración. Un fundador que pide el párrafo de razonamiento en los primeros diez minutos filtra el 70% del mercado de ATS heredados sin tener que leer un solo benchmark.
Cómo un fundador evalúa a los vendedores de reclutamiento de IA en una demostración
No necesitas un marco de adquisición. Necesitas tres preguntas.
- Muéstrame el razonamiento detrás del candidato mejor clasificado. Si la respuesta es un número sin explicación, el modelo es basado en palabras clave. Sigue adelante.
- Ejecuta el Curriculo de mi última contratación a través del sistema antes de que me uniera. Si el modelo lo habría clasificado en los diez primeros, el sistema tiene señal. Si habría sido rechazado, el modelo está roto.
- ¿Cuánto cuesta esto cuando tengo diez roles abiertos en lugar de tres? La fijación de precios por asiento castiga a los equipos en crecimiento. La fijación de precios plana escala con el volumen de contratación, que es lo que realmente le importa a una startup.
Esa es toda la demostración. Treinta minutos son suficientes.
Qué hacer a continuación
Si tienes una lista corta de ATS en tu escritorio y no estás seguro de si la IA es real, realiza la demostración de tres preguntas en cada una. Luego, lee nuestra página de ATS de IA para fundadores y la página de comparación para ver cómo se comparan los principales vendedores con un modelo basado en resultados. El nivel inicial en CurriculoATS es gratuito para un trabajo activo, lo que es suficiente para probar el clasificador en un rol que estás ejecutando ahora mismo sin comprometerte con un contrato.
Antiguo ingeniero de aprendizaje automático en Amazon (búsqueda y recomendaciones) y Synopsys. Construyó CurriculoATS para reemplazar la coincidencia de palabras clave en la contratación con una evaluación de IA basada en resultados. Alumni de Penn State. Escribe sobre IA en la contratación, economía de ATS y lo que realmente predice el rendimiento en el trabajo.